의료영상의 정합(Registration) 방법

ANTsPy Image Registration Tutorial

 

영상 정합 (image registration)이란 공간좌표가 서로 다른 영상에서 연관관계를 쉽게 파악하기 위하여 동일 좌표계로 정렬하는 것으로 서로 맵핑되는 기하학적 변환을 찾는 과정이라 할 수 있다.

 

1. 영상접합의 사용법

1) 서로 다른 센서로부터 얻어진 정보들을 통합
2) 서로 다른 시간에 얻어진 동일한 영역을 촬영한 영상에서 변화 감지
3) 움직이는 객체를 촬영한 일련의 영상으로부터 3차원 정보를 추론
4) 모델-기반의 객체인식

 

 

2. 의료영상 정합 기법

 

1) 강체 정합 (Rigid Registration)

① 표식기반 정합 (landmark-based regis-tration)

• 두 영상의 두드러진 특징 부위에 제한된 수의 표식기를 지정한 후, 표식기 간의 거리차를 계산하여 정합하는 방법
• 표식기에는 자연적인 표식기와 기하학적 표식기가 있음
• 자연적인 표식기를 사용하는 정합방법은 사용자에 의해 영상의 특징적인 부위를 표식기로 지정하여 정합하는 방법
• 기하학적 표식기를 사용하는 정합방법은 대부분 자동적으로 지역적 곡률 (local curvature)이나 구석 (corner) 부위와 같은 기하학적 특징 부위에 표식기를 위치시킨 후 정합하는 방법
• 장점 : 비교적 정확한 정합 결과를 제시하고, 간단한 계산방법으로 빠른 정합을 제공
• 단점 : 표식기 지정을 위하여 사용자와의 빈번한 상호작용이 필요하고, 표식기 지정 위치에 따라 정합의 정확성이 영향을 받음
• 대상 영상으로부터 표식기 구별을 위하여 표식기를 분할하는 과정이 필요

 

② 표면기반 정합 (surface-based registration)

• 두 영상에서 각각 표면 영역을 분할하고, 이의 경계를 가지고 유사도 평가를 수행
• 정합시간이 빠른 대신 표면 영역이 얼마나 정확하게 분할되었는지가 정합 결과에 큰 영향을 줌
• 표면기반 정합 방법에는 Head & Hat 방법, DT (Distance Transform) 방법과 ICP (Iterative Closest Point) 방법 등이 있음

 

③ 복셀기반 정합 (voxel-based registration)

• 전체 영역을 전처리 과정 없이 두 영상의 복셀 간 상관도를 측정
• 상대적으로 정확도가 높은 대신 모든 복셀들을 가지고 유사도 평가를 하기 때문에 수행시간이 오래 걸림
• 다시 명암도 정보를 대표적인 스칼라값이나 방향 등으로 축소하여 적용하는 중심축 및 모멘트 정합 (principal axes and moments based method)과 정합 과정에서 전체 영상 정보를 모두 사용하는 명암도 기반 정합으로 나뉨
• 명암도 기반 정합에는 동일 모달리티 영상 간 정합을 위한 유사도 측정방법으로 명암도 차이 측정 (SSD: Sum of Squares of Intensity Differences)과 상관계수 (correlation) 측정이 있음
• 서로 다른 모달리티 영상간 정합을 위한 유사도 측정방법으로 조인트 엔트로피 (joint entropy) 측정 및 상호정보 (mutual information) 측정 방법 등이 있음

 

Global Registration과 Local Registration

 

2) 비강체 정합 (Nonrigid Registration)

① 스플라인 정합 (Spline Registration)

• 정합하고자 하는 두 영상인 참조영상과 타겟영상에서 제어점이 정의된다는 기본 가정을 가지고 있음
• 먼저 참조영상에서 n개의 제어점의 위치를 정하고, 타겟영상에서 이에 대응되는 제어점의 위치를 정했을 때, 두 영상에서 제어점들 간의 거리 변위를 보간하여 제어점들 사이를 부드럽게 변화하도록 하는 스플라인 변환을 찾아내는 방법
• 스플라인 정합 중 가장 많이 이용되는 것에는 thin-plate 스플라인 정합과 B-스플라인 정합이 있음
• Thin-plate 스플라인 정합은 래디얼 기저 함수 (radial basis function)의 선형 결합으로 정의
• 이 때, 두 영상 간 변환은 세 개의 다른 thin-plate 스플라인에 의하여 정의
• Thin-plate 스플라인 정합 장점 : 제어점들이 영상 공간 상에 임의로 분포할 수 있음
• Thin-plate 스플라인 정합 단점 : 래디얼 기저 함수의 특성상 제어점들이 전역적으로 영향을 줄 수 있음
• B-스플라인 정합은 자유형태 변환 (Free-Form Deforma-tion)의 한 방법으로 자유형태 변환은 동일 간격을 갖는 격자의 제어점 변환에 의해 정의
• B-스플라인 변환은 1차원 B-스플라인 텐서 곱 형태로 표현

 

② 탄성 정합 (Elastic Registration) 

• 뇌 CT 영상과 뇌 해부도와의 매칭을 위해 Bajcsy 등에 의해 제안된 방법
• 고무와 같은 탄성체 변형으로 모델링될 수 있다는 생각에서 시작됨
• 변형은 탄성체의 변형으로 발생한 내부력 (internal force)과 탄성체의 외부에 작용하는 외부력 (external force)으로 구성
• 내부력과 외부력이 평형 상태에 이를 때 탄성체의 변형을 중지

 

③ 유체 정합 (Fluid Registration)

• 유체역학에 기반을 둔 정합으로 가상의 유체의 움직임을 따른다는 가정으로부터 시작됨
• 변환 모델은 나비어-스토크스 방정식 (Navier-Stokes partial differ-ential equation)에 의하여 주어짐
• 탄성 정합과 달리 큰 변형이 가능하나 많은 움직임으로 인해 지역적 최저점에 수렴할 가능성이 있고, 계산량이 많다는 단점이 있음

 

④ 광학 흐름 정합 (Optical flow Registration)

• 위치와 시간이 달라져도 특정 점의 밝기가 일정하다는 가정을 이용
• 실제 변위를 예측하기 위해서는 평활 (smoothness) 제약 조건을 추가
• 이와 같은 정합은 영상의 밝기 변화가 없는 단일 모달리티 의료영상간 정합에 적합하며, 변위가 매우 작은 영상의 정합에 적용하는 것이 좋음

Nonrigid Registration Example

 

---

출처

ANTsPy Image Registration Tutorial : https://github.com/ANTsX/ANTsPy

Nonrigid Registration Example : https://mermaid.readthedocs.io/en/latest/auto_demos/example_simple_interface.html#sphx-glr-auto-demos-example-simple-interface-py

Image Registration in Medical Applications (Helen Hong, Ph.D.) :
https://www.koreascience.or.kr/article/JAKO201415338946483.pdf